Предлагаем вашему вниманию перевод фрагмента статьи с английского языка. С ним частично помогли переводчики с английского. С оригинальным материалом «The Great A.I. Awakening» можно ознакомиться по ссылке: https://www.nytimes.com/2016/12/14/magazine/the-great-ai-awakening.html
Символьный ИИ: когда интеллект пытались запрограммировать. С тех пор как термин «искусственный интеллект» был впервые предложен на своего рода учредительном собрании умов в Дартмуте летом 1956 года, большинство исследователей долгое время считало, что лучший подход к созданию ИИ — это написать очень большую, всеобъемлющую программу, которая бы прописывала как правила логического reasoning, так и достаточные знания о мире.
Если вы хотите перевести с английского на японский, например, вы запрограммируете в компьютер все грамматические правила английского языка, затем все определения из Оксфордского английского словаря, затем все грамматические правила японского языка, а также все слова в японском словаре, и только после всего этого подадите ему предложение на исходном языке и попросите выдать соответствующее предложение на целевом языке. Вы дадите машине языковую карту, которая, как сказал бы Борхес, была бы размером с территорию. Эта точка зрения обычно называется «символьный ИИ» (symbolic A.I.) — потому что ее определение познания основано на символической логике — или, уничижительно, «старый добрый ИИ» (good old-fashioned A.I.).
Фото участников Дартмутской конференции, фото с сайта spectrum
Почему символьный подход оказался ограниченным. У старого подхода есть две основные проблемы. Первая заключается в том, что со стороны человека это ужасно трудоемко. Вторая — в том, что он действительно работает только в областях, где правила и определения очень четкие: в математике, например, или в шахматах.
Однако перевод — это пример области, где этот подход ужасно проваливается, потому что слова нельзя свести к их словарным определениям, и потому что в языках, как правило, столько же исключений, сколько и правил. Чаще всего такая система может запросто перевести «minister of agriculture» (министр сельского хозяйства) как «priest of farming» (священник земледелия). Тем не менее, для математики и шахмат она работала отлично, и сторонники символьного ИИ принимали как данность, что ничто так не сигнализирует о «общем интеллекте», как математика и шахматы.
Фото с сайта aiwa-ai
Отрывок из документального фильма 1961 года, подчеркивающий давнюю предпосылку исследований в области искусственного интеллекта: если запрограммировать компьютер на имитацию когнитивных задач высшего порядка, таких как математика или шахматы, это открывало путь к чему-то, сродни сознанию.
Авторские права. Однако у этой системы были ограничения. В 1980-х годах исследователь в области робототехники из Университета Карнеги-Меллон указал, что компьютеры легко могут выполнять задачи, подвластные взрослым, но практически невозможно заставить их делать то, что может годовалый ребенок, например, держать мяч или идентифицировать кошку. К 1990-м годам, несмотря на ошеломляющий прогресс в компьютерных шахматах, мы все еще не были даже близки к созданию искусственного общего интеллекта.
Нейронные сети: альтернативный путь к искусственному интеллекту. Инженер Google и руководитель подразделения Google Brain Джефф Дин. Авторские права… Брайан Финке для The New York Times Всегда существовало и другое видение ИИ — альтернативное, — в котором компьютеры учились бы «снизу вверх» (на основе данных), а не «сверху вниз» (по правилам). Эта идея восходит к началу 1940-х годов, когда исследователям пришло в голову, что лучшей моделью для гибкого автоматизированного интеллекта является сам мозг. В конце концов, мозг — это просто набор элементов, называемых нейронами, которые либо передают электрический заряд своим соседям, либо нет. Важны не столько сами отдельные нейроны, сколько многочисленные связи между ними. Эта простая структура обеспечила мозгу множество адаптивных преимуществ. Мозг может работать в условиях недостатка или отсутствия информации; он может выдерживать значительные повреждения без полной потери контроля; он может хранить огромный объем знаний очень эффективным способом; он может вычленять отдельные patterns (шаблоны/образцы), но сохранять необходимую гибкость для работы с неоднозначностью.
Джефф Дин, Фото observer.com
Не было причин, по которым нельзя было бы попытаться воссоздать эту структуру в электронной форме, и в 1943 году было показано, что комбинации простых искусственных нейронов могут выполнять базовые логические функции. Они также могли, по крайней мере теоретически, учиться так же, как и мы. С жизненным опытом, в зависимости от проб и ошибок конкретного человека, синаптические связи между парами нейронов укрепляются или ослабевают. Искусственная нейронная сеть может делать нечто подобное, постепенно изменяя, на основе направленных проб и ошибок, числовые взаимосвязи между искусственными нейронами. Ей не нужно было бы заранее прошивать фиксированные правила. Вместо этого она бы перенастраивала сама себя, отражая patterns (шаблоны/закономерности) в данных, которые она поглощала.
Обучение вместо правил. Такой подход к искусственному интеллекту был эволюционным, а не креационистским. Если вам нужен был гибкий механизм, вы хотели, чтобы он мог адаптироваться к своей среде. Если вы хотели, чтобы что-то могло адаптироваться, вы не начинали с заучивания правил шахмат. Вы начинали с самых базовых способностей — сенсорного восприятия и моторного контроля — в надежде, что продвинутые навыки проявятся органически. Люди не учатся понимать язык, запоминая словари и учебники грамматики, так с какой же стати мы должны ожидать этого от наших компьютеров?
Как Google Brain превратила идею в практику. Google Brain стала первой крупной коммерческой организацией, которая инвестировала в возможности, заложенные в таком подходе к ИИ. Дин, Коррадо и Нг начали свою работу как часть совместного part-time эксперимента, но немедленно достигли прогресса. Они черпали архитектурное вдохновение для своих моделей из недавних теоретических наработок — а также идей, пылившихся на полке с 1980-х и 1990-х годов — и использовали как беспрецедентные запасы данных компании, так и ее массивную вычислительную инфраструктуру. Они обучали сети на огромных массивах «размеченных» данных — например, аудиофайлов речи с правильными транскрипциями, — и компьютеры улучшали свои ответы, чтобы лучше соответствовать реальности.
Фото с сайта pedromatias
«Теперь у компьютеров есть глаза». «Этап эволюции, на котором у животных развились глаза, был большим достижением», — сказал мне как-то Дин с присущим ему лаконизмом. Мы сидели, как обычно, в переговорной, заставленной маркерными досками, на одной из которых он нарисовал насыщенную извилистую временную шкалу Google Brain и ее связи с переломными моментами в недавней истории нейронных сетей. «Теперь у компьютеров есть глаза. Мы можем создавать их, опираясь на существующие теперь возможности понимать фотографии. Роботы кардинально изменятся. Они смогут работать в неизвестной среде, решать совершенно другие задачи». Эти создаваемые ими возможности могли казаться примитивными, но их implications (последствия/значение) были profound (глубокими/значительными).
